Vervolgonderzoek: toetsing van een hypothetisch model via structurele equatie modellen

In de tabellen 5, 6, 7en 8 worden effecten op OAG en effecten op sporadisch en ernstig verzuim geïllustreerd voor mannen en vrouwen apart. De odds om slachtoffer te worden van OAG, sporadisch of ernstig verzuim, worden voor alle onafhankelijke variabelen gegeven in tabel 10.

Tabel 10 Overzicht van de odds voor de drie afhankelijke variabelen, opgedeeld naar geslacht

Onafhankelijke variabelen OAG Sporadisch verzuim Ernstig verzuim Odds ♀ Odds ♂ Odds ♀ Odds ♂ Odds ♀ Odds ♂ Omgang met justitiabelen +1,8

Veiligheid op werkvloer +3,0 Evenwichtige verdeling rooster -1,6 Verzuim en minder functioneren +1,2 Informatie over het eigen werk +2,9 Kennis van de werkresultaten -2,0 Krijgen van informatie +4,5 Aandacht voor persoonlijke ontwikkeling -2,9

Negatieve psychologische gevolgen +1,3 +1,2 +1,2 Intimidatie door gedetineerden +1,4 +1,5

Lichamelijk geweld door een collega +27,5 Lichamelijk geweld door leiding +2,1

Ernstig lichamelijk letsel +11,3 +12,0

Geen plezier in het werk +1,4 +1,2 +1,5 Licht lichamelijk letsel +1,2 +1,8

Ernstig lichamelijk letsel +1,8 +2,6 Langer dan zes weken minder goed

functioneren

+1,8 +2,2 +2,1

Stimulerend leiderschap -2,4

Autonomie -1,3 Rolconflict -1,6

Ondersteuning door collega’s -1,8 -1,3 -1,4 Houding tov de ontvangen beloning +1,6

Conflict +1,7 +1,4 +1,5

Integriteit +1,6 Plannen hebben om van baan te willen

veranderen

+1,2

Sociaal emotioneel leiderschap -1,3

Arbeidsomstandigheden -1,3 Ongewenste seksuele aandacht door

leidinggevende

+1,8

36

Bij een (multiple) regressieanalyse wordt een lineair en causaal verband tussen de afhankelijke variabele en meerdere onafhankelijke variabelen berekend. In het vervolgonderzoek veronderstellen we dat een aantal werkgerelateerde factoren een directe bijdragen levert aan de verklaring van enerzijds onderlinge agressie en geweld en anderzijds arbeidsverzuim. Daarnaast wordt ook agressie en geweld van gedetineerden naar personeel en OAG waar mogelijk afzonderlijk bekeken. De vraag kan worden gesteld of de differentiërende variabelen tussen OAG en niet-OAG, voorspellers of indicatoren van traumatisering of revictimi-sering zijn. De klassieke (multiple regressieanalyse) geeft daar geen antwoord op. In de regressieanalyse bestaat slechts de mogelijkheid om één afhankelijke variabele per statistische analyse en meerdere onafhankelijke variabelen te regresseren. Dit wil zeggen dat elke afhankelijke variabele afzonderlijk onder-zocht wordt op de onafhankelijke variabelen, waarvan wordt vermoed dat een beïnvloeding uitgaat. Het effect (statistische samenhang) van de ene variabele op de andere gaat slechts in één richting, zonder dat een uitspraak kan worden gedaan over de wederkerige samenhang van de variabelen. De belangrijkste doelstelling bij het interpreteren van de output is dat er wordt gekeken naar het (causale) effect (R²) van de verschillende onafhankelijke variabelen op de afhan-kelijke variabele.

Om de herhaald slachtofferhypothese te toetsen en te onderzoeken of er een wederkerige relatie bestaat tussen bijvoorbeeld bepaalde werk gerelateerde variabelen en OAG, is de methode van de Structurele Equatie Modellen (SEM) interessant.

Structurele Equatie Modellen zijn pijldiagrammen die een verbinding leggen tussen variabelen die zijn opgenomen in het model en die al dan niet (nulrela-ties) met mekaar in relatie zijn gebracht (causale relatie) door de onderzoeker. Deze variabelen representeren fenomenen uit de werkelijkheid die de onderzoe-ker op één of andere manier met elkaar verbindt in functie van een te verwach-ten causaal effect van het ene fenomeen op het andere. Het model wordt ver-volgens geconfronteerd met de meetbare werkelijkheid (empirie) waarbij wordt nagegaan of de veronderstelde verbanden die de onderzoeker heeft gelegd, ook in de empirie blijken aanwezig te zijn24. SEM zijn gegroeid uit multipele regres-sies en hebben vaak gelijkaardige doelen. Een groot verschil is echter dat de mogelijkheden van SEM groter zijn en dat het statistisch meten op een nauw-keuriger wijze kan gebeuren. We overlopen de belangrijkste voordelen van SEM vergeleken met multiple regressie. Een eerste voordeel is dat de assumpties voor SEM flexibeler zijn dan voor multiple regressie. Een tweede voordeel betreft de mogelijkheid tot gebruik van confirmatorische factoranalyse binnen SEM, waardoor multipele indicatoren kunnen worden gereduceerd tot één of enkele latente variabelen, wat juist de bedoeling is van SEM. Dit vermindert uiteraard de kans op meetfouten. Een derde voordeel betreft de uitspraak die kan worden gedaan in termen van ‘goodness of fit’ over de kwaliteit van het volledige model (Bentler & Chou, 1987; Jöreskog & Sörbom, 1993; Hu & Bentler, 1999). Een struc-tureel model geeft aanleiding tot twee toetsingsniveaus die belangrijke criteria zijn om een uitspraak te kunnen doen over de kwaliteit van het model. Het eer-ste niveau betreft de toetsing van alle relaties die in het model zijn opgenomen, het tweede niveau betreft de hoeveelheid verklaarde variantie in de afzonderlijke

structurele vergelijkingen in het model en in de afhankelijke variabele. Wat het eerste niveau betreft, zal elke gespecificeerde relatie in het startmodel op zijn statistische significantie worden getoetst. Hierbij worden individuele effect-parameters die de norm voor de drempelwaarde van een toetsingsniveau van 5% niet halen uit het model verwijderd. De daarbij aansluitende causale hypo-these kan dan bijgevolg worden weggelaten. Op niveau van relatietoetsing kan het model worden verbeterd aan de hand van modificatie-indices die door het programma zelf worden berekend. Voor elke relatie tussen variabelen die niet door de onderzoeker in het model zijn gespecificeerd (de zogenaamde nul-relaties), worden modificatie-indices berekend, die een uitspraak doen over de winst in de modelfit²⁵, wanneer de betreffende nulrelaties alsnog in het model worden opgenomen (Verschuren, 1991; Jöreskog & Sörbom, 1993). Of een nul-relatie in het model moet worden opgenomen, dient steeds te worden over-wogen op grond van de theoretische relevantie ervan. Het programma sugge-reert eveneens relaties die theoretisch op geen enkele manier zinvol kunnen worden geïnterpreteerd. Het heeft dan uiteraard geen zin om deze relaties op te nemen. Het tweede toetsingsniveau heeft betrekking op de hoeveelheid ver-klaarde variantie (R²) in de afhankelijke variabele, die wordt verklaard door de onafhankelijke variabelen en de verklaarde variantie van de afzonderlijk structu-rele vergelijkingen in het model. Daar waar het toetsen van relaties (niveau 1) en de aanpassingen die de onderzoeker kan doen op grond van modificatie-indices vooral bedoeld zijn om de theorie vanuit de empirie te confirmeren, speelt de verklaarde variantie van het model vooral in op de voorspellingskracht van het model (niveau 2).

In SEM wordt gewerkt met latente en manifeste variabelen. Manifeste variabe-len of indicatoren zijn geobserveerde variabevariabe-len door de onderzoeker gemeten. Tenminste twee indicatoren kunnen samen een latente variabele vormen. La-tente variabelen zijn niet rechtstreeks gemeten constructen. Voor de constructie van de latente variabelen gebruikt men meestal factoranalyse. Verder wordt in LISREL gesproken van dichotome (slechts twee meetwaarden) en polytome (meer dan twee meetwaarden) variabelen. Aangezien het uitgesloten is om alle variabiliteit van een variabele te verklaren, spreken we ook van residuvariabelen. Deze variabelen stellen het effect voor van oorzaken die niet gespecificeerd zijn. In de verdiepingsstudie komt de toetsing van het hypothestische model aan bod.

25 De winst wordt uitgedrukt in een afname van de χ²-waarde als indicatie van de fit van een model als geheel. De modificatie-index geeft de waarde aan waarmee de χ² minimaal zal dalen indien de betreffende nulrelatie in het model wordt opgenomen.

Summary

Agression and violence between employees